AGRISIGHT AI: A ConvNeXtV2-Based Deep Learning Framework for Crop Disease Classification with a Proposed Multimodal Extension for Precision Agriculture。Research Square
A data-centric multi-modal ai framework for weed detection and classification in smart agriculture。Discover Applied Sciences
综述可解释、高效、隐私保护、绿色与多模态五大深度学习方向，提出能力导向分类框架。
提出全局-局部双流融合网络,叠加注意力机制+Grad-CAM可视化+大语言模型农艺建议;Dataset-1准确率99.55%、五折交叉验证98.91%±0.47,跨数据集九类公共病害准确率达90.80%。
中国农业大学张漫教授团队在《Engineering》农业传感器专题发表论文,针对农田障碍物样本稀缺、标注昂贵、多模态结构难对齐痛点,提出图像-点云姿态校正+特征级融合架构,集成 BERT 语义向量与 FPFH/SICC 几何-强度描述子,经 CBAM 注意力构建语义-几何-强度表征空间,采用 KITTI 预训练大幅降低田间标注依赖;模型输出障碍物三维位置、尺寸与朝向,端到端交叉熵分类损失与平滑 L1 回归损失联合优化,为农机自主导航提供稳健三维感知方案。
中国农业大学付正捷、张誉恒等于Sensors发表针对智慧农业投入优化的多模态网络MAION。该框架构建统一的'地块-时间窗'农业状态表示,通过跨模态时空对齐模块解决田间图像、气象环境、土壤状态和田间管理记录之间采样频率不一致、语义尺度异构问题;通过投入-产出因果利润建模模块评估不同投入行为对产量、成本和净利润的潜在影响;并以利润驱动的强化学习生成面向长期净收益最大化的投入策略。在产量、成本和净利润预测上RMSE分别为0.587、0.531和0.648,R2达0.914/0.891/0.883;经济决策中净收益改善17.68%,投入产出比1.71,显著优于随机森林、XGBoost、LSTM、GRU和Transformer等基线。